CN109115785A - 一种铸件打磨质量检测方法、装置及其使用方法 - Google Patents
一种铸件打磨质量检测方法、装置及其使用方法 Download PDFInfo
- Publication number
- CN109115785A CN109115785A CN201810898924.6A CN201810898924A CN109115785A CN 109115785 A CN109115785 A CN 109115785A CN 201810898924 A CN201810898924 A CN 201810898924A CN 109115785 A CN109115785 A CN 109115785A
- Authority
- CN
- China
- Prior art keywords
- casting
- image
- defect
- gray
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种铸件质量检测方法、装置及其使用方法,包括铸件检测传送机构、铸件表面缺陷检测装置和缺陷识别分类机构三个部分组成,铸件检测传送机构能够将待检测的打磨铸件固定在真空吸盘上,利用传送带传送到铸件表面缺陷检测装置中,该装置主要运用数字图像处理技术,通过安装的工业CCD相机获取图像,以及后台设计的数字图像处理算法针对铸件表面打磨图像进行缺陷识别。在识别的过程中,除了需要获取铸件表面缺陷位置,还需要计算缺陷尺寸与面积,进而判定缺陷等级,实现缺陷类型的分类。最终识别的结果会生成一份参数报告,标记检测的铸件本体,并且通过缺陷识别分类机构将打磨及格的铸件和打磨不及格的铸件分类输出。
Description
技术领域
本发明涉及一种铸件表面打磨质量检测方法、装置及其方法,尤其涉及配带工业摄像机的测试检测***去代替人工操作检测铸件质量的自动化技术领域
背景技术
传统打磨工艺检测都是应用人工检测。凭借个人经验主要依赖肉眼判别或手掌触摸的方式去检测铸件打磨效果,往往效率低下。车间人员受困于繁重的工作压力以及实际需要是无损的铸件,所以人工检测并不能确保铸件质量检测达到理想的效果,一旦出现缺陷就会影响到后续铸件装配等一系列的问题,并且铸件在自动化生产打磨中无可避免出现过度打磨或打磨不足,导致铸件打磨表面出现缺陷,使其不平整,所以严重影响到后续的生产要求。
在铸件打磨完成后,进行打磨效果的质量检测很必要,因此利用数字图像处理技术对铸件采集图像分析和处理。主要作用是采用图像处理技术可以判断是否存在缺陷并获取铸件表面的缺陷信息,同时根据识别缺陷区域,可以计算尺寸与面积,可供车间作业人员根据检测的结果进行下一步的处理工作。
以此作为铸件打磨质量检测的一种方法。
Sobel:即Sobel算子是像素图像边缘检测中最重要的算子之一,在机器学习、数字媒体、计算机视觉等信息科技领域起着举足轻重的作用
发明内容
为了克服铸件打磨表面不及格所出现的毛刺、过打磨的凹陷以及打磨不足的凸起,克服传统人工铸件质量检测效率低的问题,转而针对性的发明出一种高效、精准、自动化的铸件质量检测的方法、装置及其使用方法。解决铸件在打磨后的质量检测,最终判断打磨效果是否满足生产要求。若不满足通过数字图像处理技术处理铸件表面图像判断是否存在缺陷,缺陷位置定位以及缺陷评级和分类;若使用图像处理技术判断铸件打磨图像无缺陷区域,则判定铸件打磨效果良好,满足生产要求。保证整个检测过程无需人工参与,只需人工监督完成,提高检测的效率与精度。本发明采用的图像处理技术方法目的在于针对现有图像处理的算法不能保证它对所有缺陷分割具有完整性,提出一种组合的图像缺陷处理方法以及根据铸件缺陷特点改进图像处理的算法,提高分割精度,该方法简单稳定可靠,可有效满足应用。
为了实现上述要求,本发明采用的技术方案为:
一种铸件打磨质量检测方法,包括如下步骤:
第一步、对铸件拍照得到铸件图像,然后对铸件图像进行预处理,去除采集图像中不可逆的干扰;
去除采集图像中不可逆的干扰的方法如下:
步骤一:对铸件图像的每一个像素点当前灰度级Zxy,奇数模板中的最小灰度级Zmin,最大灰度级Zmax;计算B1=Zxy-Zmin,B2=Zxy-Zmax,目的是与最小、最大灰度级比较,看其灰度级是否满足在在最小最大灰度级之间,即是否满足条件B1>0且B2<0,若满足则保留其原有的灰度值,则Zxy值保持不变;否则,进行步骤二;其中Zxy表示图像中第y行第x列个像素点的灰度值,B1表示Zxy与Zmin的差值;B2表示Zxy与Zmax的差值;
步骤二:计算对奇数模板内的灰度级中值Zmed与最小灰度级Zmin和最大灰度级Zmax之间比较,即A1=Zmed-Zmin,A2=Zmed-Zmax;当A1>0且A2<0且窗口尺寸允许在的最佳范围内即≤Smax,则Zxy=Zmed;如果A1<0或A2>0,且窗口尺寸=Smax,则Zxy灰度级会等于奇数模板采集像素点的灰度级计算出的灰度均值Zmea,即Zxy=Zmea;如果A1≤0或A2≥0,且窗口尺寸<Smax,则增大窗口模板,然后再重复进行步骤一;Smax表示最大窗口尺寸;
步骤三、然后通过改进的局部均值滤波算法处理铸件图像:
建立过滤器模板,过滤器模板大小是铸件图像尺寸的二十分之一,过滤器模板执行的计算是:将过滤器模板里选中的灰度值必须为相差30个灰度值之内的像素,要求所选中的灰度值之间计算平均灰度值,并替换所对应计算的灰度值位置;即假设铸件图像的尺寸大小为a×a,选取的过滤器模板大小为1/20的a×a的尺寸,在模板中得到了c1,c2,c3,c4,c5,c6的6个灰度值,其中c2,c5,c6的3个灰度值差异在30个灰度值之间;因此,需要计算c2,c5,c6的3个灰度值的平均值并将替换到c2,c5,c6所在的灰度值位置,其余c1,c3,c4灰度值不作处理,模板不重叠滑动,逐一将每一个可处理的像素进行上述的均值处理,最终将局部各个区域平滑;
第二步、执行铸件图像的锐化处理,增强铸件图像的轮廓信息,提高铸件缺陷表面轮廓的边缘特征,锐化处理步骤如下:
2.1对铸件图像进行灰度处理后使用滤波器模板[-1,-1,-1;-1,8,-1;-1,-1,-1],进行拉普拉斯操作,加强图像的边缘轮廓信息,设定为图A;
2.2对铸件图像的原图进行Sobel梯度操作,垂直梯度模板是[-1,-2,-1;0,0,0;1,2,1],水平梯度模板是[-1,0,1;-2,0,2;-1,0,1],得到Sobel梯度处理的梯度图像,设定为图B;
2.3对图B使用5×5的均值滤波平滑Sobel梯度图像;
2.4对图A、B两个图像进行点乘,并且将点乘的图像与铸件图像的原图像相结合,获取一幅锐化处理的图像,设定为图C;
2.5将图C进行幂率变换,扩展图像的灰度范围,改善画质,使图像的显示效果更加清晰,最终可以得到铸件表面缺陷锐化处理的图像,表面缺陷特征得到增强;第三步、缺陷区域进行识别:将第二步最终获取的铸件图像进行灰度化处理,而此时选择一个合适的灰度值作为阈值,合适的灰度值的基准是可以把缺陷区域和背景区域划分开来的一个灰度值作为阈值,图像中大于阈值的灰度值都赋予255的灰度值即为白色部分,小于该阈值的灰度值都赋予0的灰度值即为黑色部分,把图像划分成只有黑白两色的二值图像,从而可以将背景和缺陷的两区域分割开来,实现缺陷区域定位,得到标记的缺陷特征区域。
进一步的改进,还包括第四步:
标记的缺陷特征区域进行像素的统计:获取图像像素与实际尺寸的比例尺,设定为N,计算方法是:工业CCD相机水平方向拍摄一把50cm的尺子,后台计算机对尺子图像长度像素测量假设尺子长度为M,则所需比例尺是:N=M/50,由此确定缺陷区域的周长与面积。
进一步的改进,还包括第五步:按照制定缺陷等级划分标准,对铸件缺陷类型分类;分为打磨及格与打磨不及格两个分类标准,将打磨不及格的铸件选出。
进一步的改进,所述打磨不及格的铸件分为,重新打磨轻打磨可满足打磨要求的铸件和打磨缺陷区域大于设定阈值,需人工检查具体问题的铸件;然后生成检测结果标签,贴到检测铸件体表面。
进一步的改进,所述第三步中,合适的灰度值选取方法如下:
3.1对已经灰度化处理的铸件图像获取其灰度直方图,灰度直方图中横坐标是像素值,纵坐标是像素值点数目,这是一个统计图;
3.2是分析所述灰度直方图,采取的分析方法是基于灰度直方图的阈值分割方法;寻找灰度直方图中灰度阈值中出现频率最高的两阈值,然后选择出现频率最高的两阈值中出现频率较低阈值作为合适的灰度值,即分割阈值。
一种铸件打磨质量检测装置,包括铸件检测传送机构、铸件表面缺陷检测机构和缺陷分类机构;所述铸件检测传送机构包括传送机构,传送机构上安装有升降机构,升降机构上安装有铸件固定机构;沿传送机构传送方向安装有铸件表面缺陷检测机构,铸件表面缺陷检测机构包括运输结构,运输结构上安装有工业CCD相机5和光投影仪6;所述缺陷分类机构包括产品标签仪12;工业CCD相机5电连接有计算机1。
进一步的改进,所述传送机构为传送带9,所述升降机构为升降机10,所述铸件固定机构为真空吸盘8。
进一步的改进,所述缺陷分类机构包括还包括伸缩杆13和与传送机构平行的轨道11。
一种铸件打磨质量检测装置的使用方法,包括如下步骤:
一、打磨过的铸件7按照规定的方向和位置固定在真空吸盘8,真空吸盘8连接在传送带9的上面;
二、在运行时,所述真空吸盘8将测铸件7移送到图像采集区域装置3下方,此时升降机10上升直至使真空吸盘8与图像采集区域装置3镶嵌;图像采集区域装置3对铸件7进行图像的采集;
三、计算机1处理工业CCD相机5获取铸件打磨图像,对打磨表面缺陷处进行缺陷类型分析,提取其缺陷特征生成一份缺陷分类报告,此时计算机1通过产品检测仪12对打磨不及格的铸件进行标记,并筛选出来,对打磨不符合要求,需继续重新打磨或人工重新检查,达到铸件质量检测
本发明有如下效果:
(1)基本实现铸件质量检测的自动化,可减少人力物力的大量投入,节省成本。
(2)利用机器视觉识别功能去计算获取被测铸件打磨数据,便于直观探究被测铸件打磨状况,及时发现打磨问题作出筛选判断。
(3)真空吸盘吸附铸件传送能有效避免在传送过程出现铸件移位、倾倒,能按秩序保持规定的方向将铸件送入图像采集区域。
(4)整个检测过程便捷,需要工作人员负责监控计算机的实时数据反馈情况以及监控铸件在真空吸盘的放置位置,保证铸件以有效的方式进入图像采集区域装置。
(5)图像检测装置用齿轮带连接,可实现自由水平移动,并且可以同时设置多个图像采集区域装置同时工作,提高图像检测效率。
(6)建立传送带分类机制,将打磨及格与不及格的铸件进行分类,便于操作。
(7)打磨铸件表面进行图像处理,对打磨缺陷部位进行分析,实现了对打磨效果的检测。
附图说明:
图1为本发明的结构示意图;
图中:1、计算机;2、总线;3、图像检测装置;4、齿轮带;5、工业CCD相机;6、光投影仪;7、铸件;8、真空吸盘;9、传送带;10、升降机。
图2为本发明的结构示意图延伸;
图中:7、铸件;11、轨道;12、产品标签仪;9、传送带,13、伸缩杆。
图3为铸件打磨的质量检测装置结构组成图;
图4为铸件缺陷检测图像处理算法图。
具体实施方式:
下面结合具体实施方式对本专利的技术方案作进一步详细说明。
请参阅图1,一种铸件打磨的质量检测装置,包括1、计算机;2、总线;3、图像检测区域安装架;4、齿轮带;5、工业CCD相机;6、光投影仪;7、铸件;8、真空吸盘;9、传送带;10、升降机。所述的真空吸盘8、传送带9和升降机10构成传送结构,主要作用是将刚刚打磨过的铸件7按照规定的方向和位置固定在真空吸盘8,真空吸盘8以一定的间距分布连接于传送带9的上面。
在运行时,所述真空吸盘8载着铸件7在传送带9上缓缓移动,目的将被测铸件移送到图像采集区域装置3下方,此时升降机10会缓缓上升直至真空吸盘8与图像采集区域装置3镶嵌。所述的图像采集区域装置主要包括工业CCD相机5和光投影仪6,主要作用是当所述的被测铸件7到达图像采集区域装置3时,整个传送带9就会停止,目的是为当前进入图像采集区域装置3对铸件7进行图像的采集,此时光投影仪6负责投射光源,投射在被测铸件7的表面,另一方面,工业CCD相机5负责将对检测铸件7的光条纹图像采集,这个过程实现了图像采集区域对被测铸件7的图像采集,安装工业CCD相机5,收集铸件打磨图像。
下一步就是对采集的图像进行处理。通过所述的总线2将工业CCD相机5收集到的铸件图像数据传输到计算机1,计算机1运用设计数字图像处理方法计算工业CCD相机5获取铸件打磨图像,对打磨表面缺陷处进行缺陷类型分析,提取其缺陷特征生成一份缺陷分类报告,此时计算机1会对打磨不及格的铸件进行标记,并筛选出来,对打磨不符合要求,需继续重新打磨或人工重新检查,达到铸件质量检测。
请参阅图2,为图1的延伸是传送带的俯视图。这是铸件7在完成铸件质量检测传送带分类机制装置。当铸件7完成质量检测后,铸件缓缓移送到产品检测仪12,由计算机处理的分析结果会反馈到产品检测仪12,产品检测仪12会将铸件打磨缺陷类型阐述、分类且铸件打磨规格参数和判断是否达到相应的参数要求生成一个标签贴在铸件7表面。根据该铸件7是否打磨及格,若打磨及格就铸件直接在传送带往下一个环节走,若不及格产品检测仪可以自由伸缩会伸长的伸缩杆13或气缸将铸件7推到隔壁传送带9轨道11上,要求重新根据缺陷类型要求重新打磨。
具体如下:
一种铸件打磨质量检测装置包括铸件检测传送机构、铸件表面缺陷检测机构和缺陷分类机构三个部分组成。
整个装置工作流程分为三个阶段,第一个阶段铸件检测传送机构负责将已打磨的待检测铸件用真空吸盘固定,利用传送带运送,发挥运输功能;第二个阶段运输的铸件会到达铸件表面缺陷检测机构的正下方,该装置包含两台铸件图像采集装置,分别在传送带1米高垂直上方,利用齿轮在水平方向上***,可支持同时作业。此时真空吸盘底下的升降机将负载的铸件上升到图像采集装置内,进行铸件表面缺陷检测,对缺陷区域定位与缺陷分析和缺陷等级评估,发挥铸件质量检测的功能;第三个阶段缺陷分类机构也是一个输出分类机构将检测结果为无损铸件顺利输出,将检测结果为打磨不及格的铸件输出到待观察区,要求重新打磨,发挥打磨铸件的分类功能。
铸件检测传送机构,主要包括真空吸盘、传送带和升降机。工作原理是:传送带上按间隔分布真空吸盘负载待检测的打磨铸件,而每一个真空吸盘的下方都是一个升降机,负责将铸件顶升到图像采集装置内。
进一步说明,所述传送带上面是真空吸盘,每一个铸件被固定安置在真空吸盘的上面,每个真空吸盘间距正好是每一个图像采集装置的宽度且可根据铸件大小进行适当调整,至少保证相邻两个图像采集装置同时工作时有安全距离为0.3米。前提已经放置好铸件方向与位置,真空吸盘可以牢固地将铸件保持位置,避免发生方向偏移和移位。按要求到达铸件表面缺陷检测装置正下方,此时升降机就会执行指令将铸件升起送到图像采集装置内,完成铸件送到铸件表面缺陷检测机构进行质量检测的过程。当完成铸件的质检后,升降机降落把打磨铸件用传送带运输到铸件缺陷识别分类机构,整个运输工作完成。
铸件表面缺陷检测机构,主要包括工业CCD相机、光投影仪、计算机、总线、齿轮带和图像采集装置。工作原理是:图像采集装置用齿轮带在水平方向上移动,移动的方向与位置由计算机后台控制,根据后台调度负载的待检测铸件的真空吸盘与图像采集装置的中心点水平方向微调整使得中心点位置重合对准,升降机负载铸件上升至图像采集装置实现铸件与图像采集装置精准对接,此时铸件进入图像采集装置获取铸件表面图像。现场获取的铸件表面图像通过总线传输到后台计算机,利用数字图像处理技术对打磨铸件的表面图像进行缺陷检测、定位与分析,达到铸件质量检测的目的。
进一步说明计算机后台调度传送带与图像采集装置的方式,负载待检测铸件的真空吸盘在计算机上显示为未检测状态,此时图像采集装置会优先按先后秩序检测第一批次的铸件,一个批次有4个待测铸件从传送带的右到左分别编号为1,2,3,4,按照编号顺序从序号1到4依次检测。同时设置2个图像采集装置利用齿轮带可自由在传送带上方水平移动,目的实现多个铸件同时进行图像采集,并且易于对个别铸件单独进行检测提供方便,齿轮带动图像采集装置在水平方向移动可适当微调,确保铸件能完美进入图像采集装置进行检测,提高检测的工作效率,高强度生产中仍满足生产的要求。
进一步说明图像采集装置的结构功能及如何获取打磨铸件的表面图像,整个装置涵盖两个部分分别是:光投影仪和工业CCD相机。工作原理是:当铸件进入图像采集装置内,整个空间形成了一个相对密闭的环境,此时光投影仪在铸件表面上方两侧的45°投射光源,使得强光照射下,形成强对比度可以将铸件表面的物理信息突出表现,尤其缺陷的轮廓信息。工业CCD相机就会拍摄记录强光照射下的铸件打磨表面,通过总线实时传输数据到后台计算机进行数字图像处理。
进一步说明计算机数字图像处理运用的方法。数字图像处理的第一步首先对铸件图像进行预处理,去除采集图像中不可逆的干扰。获得铸件表面图像在现场中不一定是理想状态,不可避免的会引入干扰噪声主要会出现在图像的获取和传输过程中,关于获取这些噪声可能来自于光照强度的不足、密闭空间漂浮的异物(如尘埃)、有外光干扰照射、图像传感器失灵等等,另外干扰就是传输通道中发生。基于具体的工业生产实际情况,常见的这些干扰噪声可以归类为椒盐噪声,其特点是:图像数据的获取和传输中由于电平开关转换,使图像在获取时会留下一个个斑点,出现在采集的图像上面,这种噪声会影响后续的图像边缘提取,对获得感兴趣的区域会造成干扰,不利于接下来的图像处理工作。
而且考虑到铸件的图像采集在密闭的环境中,铸件的缺陷区域与铸件的非缺陷区域在图像上会形成较大的对比度,使用改进的局部均值滤波,平滑缺陷区域与非缺陷区域,使得两个区域各自形成一个整体,区域内部图像是平滑的,区域间是有强对比度,将缺陷区域与非缺陷区域得到明显的区分。
因此提出一种方法针对性处理上述的问题,单纯的采用一种滤波方法难以达到理想的滤波效果,综合运用已有的技术,根据检测铸件的具体特点,设计出有效的组合滤波方法,最终满足工业使用的要求是研究主要方向。提出双重滤波,分别将自适应中值滤波与改进的局部均值滤波相结合,解决图像椒盐噪声的去除和缺陷区域和非缺陷区域的初级划分,是使用双重滤波的意义。各种研究表明中值滤波对椒盐噪声的处理有明显的作用,表现的好处有:去除椒盐噪声,平滑其它的噪声,尽量保留图像的边缘避免图像失真,因此采用中值滤波的方法去除椒盐噪声。中值滤波的基本原理是:椒盐噪声一般都是以孤立点的形式出现,同时数目并不多,而整体图像的像素点特别密集且相当丰富,利用这个特性建立一个中值滤波的n×n奇数模板采集目标像素点的值及邻近的像素值,计算这些采集像素值之和的均值,替换到奇数模板的中心像素值,达到噪声像素点去除的目的。
基于中值滤波的优势以及考虑到自动化检测水平,采用自适应中值滤波算法进行铸件表面缺陷图像滤波。其算法原理是如下所示:
步骤一:对每一个像素点当前灰度级Zxy,奇数模板中的最小灰度级Zmin,最大灰度级Zmax。计算B1=Zxy-Zmin,B2=Zxy-Zmax,目的是与最小、最大灰度级比较,看其灰度级是否满足在在最小最大灰度级之间,即是否满足条件B1>0且B2<0,若满足则保留其原有的灰度值,则Zxy值保持不变;否则,进行步骤二。
步骤二:计算对奇数模板内的灰度级中值Zmed与最小灰度级Zmin和最大灰度级Zmax之间比较,即A1=Zmed-Zmin,A2=Zmed-Zmax。当A1>0且A2<0且窗口尺寸允许在的最佳范围内即≤Smax,则Zxy=Zmed;如果A1<0或A2>0,且窗口尺寸=Smax,则Zxy灰度级会等于奇数模板采集像素点的灰度级计算出的灰度均值Zmea,即Zxy=Zmea;如果A1≤0或A2≥0,且窗口尺寸<Smax,则增大窗口模板,然后再重复进行步骤一。
经过自适应中值滤波处理后,加入改进的局部均值滤波算法,这个改进的部分是针对铸件缺陷的区域的提取而提出来的,其原理是:建立过滤器模板,模板大小是待处理铸件图像尺寸的二十分之一,模板执行的像素级计算是将模板里选中的灰度值像素在相差30个灰度值之内的像素要求计算其平均灰度值并替换所对应计算的像素位置。即假设铸件原图的尺寸大小为a×a,选取的模板大小为1/20的a×a的尺寸,在模板中得到了c1,c2,c3,c4,c5,c6的6个灰度值,其中c2,c5,c6的3个灰度值差异在30个灰度值之间。因此,需要计算c2,c5,c6的3个灰度值的平均值并将替换到c2,c5,c6所在的灰度值位置,其余c1,c3,c4灰度值不作处理,模板不重叠滑动,逐一将每一个可处理的像素进行上述的均值处理,最终将局部各个区域平滑。
经过图像滤波后,下一步采取措施处理目的是增强铸件表面图像的轮廓信息,着重提高铸件缺陷表面轮廓的边缘特征,执行图像的锐化处理。提出了图像锐化处理方式的算法设计,第一步对铸件图像进行灰度处理后使用滤波器模板[-1,-1,-1;-1,8,-1;-1,-1,-1],进行拉普拉斯操作,可以加强图像的边缘轮廓信息,设定为图A;第二步对原图进行Sobel梯度操作,垂直梯度模板是[-1,-2,-1;0,0,0;1,2,1],水平梯度模板是[-1,0,1;-2,0,2;-1,0,1],得到Sobel梯度处理的梯度图像,设定为图B;第三步对图B使用5×5的均值滤波平滑Sobel梯度图像;第四步对图A、B两个图像进行点乘,并且将点乘的图像与原图像相结合,可获取一副锐化处理的图像,设定为图C;最后一步将图C进行幂率变换,扩展图像的灰度范围,目的是改善画质,使图像的显示效果更加清晰。最终可以得到铸件表面缺陷锐化处理的图像,表面缺陷特征得到增强。
接下来图像锐化过后,需要将缺陷区域识别出来,提出一种图像缺陷阈值分割方法,结合铸件缺陷的特点,提出与铸件缺陷图像结合的阈值选取方法,提高分割精度,简单、稳定可靠,可有效满足应用,主要采取的方法是阈值分割。为了获取感兴趣的区域即铸件表面的缺陷区域,因此本专利中使用一种缺陷区域的定位方式。原理是:将获取的铸件图像进行灰度化处理,而此时选择一个合适的灰度值作为阈值,其基准是可以把缺陷区域和背景区域划分开来的一个灰度值,图像中大于该阈值的灰度值都赋予255的灰度值即为白色部分,小于该阈值的灰度值都赋予0的灰度值即为黑色部分,把图像划分成只有黑白两色的二值图像,从而可以将背景和缺陷的两区域分割开来,实现缺陷区域定位。
进一步说明,如何进行阈值分割。考虑到铸件缺陷检测区域的颜色范围会与被测铸件图像颜色范围相对会形成较大的色差,所以核心的要求是得到理想的阈值,这样可以很好的划分缺陷区域和背景区域。提出使用双峰法阈值分割,其实现方式分为两个步骤。第一个步骤是对已经灰度化处理的铸件打磨表面图像获取其灰度直方图,灰度直方图中横坐标是像素值,纵坐标是像素值点数目,这是一个统计图。第二个步骤是分析所述灰度直方图,采取的分析方法是基于灰度直方图的阈值分割方法。目的是寻找灰度直方图中灰度阈值中出现频率较高的两阈值之间选取相对出现频率较低一个合适的分割阈值。
那么在工程实践上在选取阈值时,基于建立的密闭铸件采集图像环境及强光在铸件表面的照射,本专利提出理论依据:基于本专利属于铸件打磨缺陷质量检测,因此所得的缺陷区域会与背景形成很大的色差,孤立出现在所处理的灰度图像上,可得到下列讨论的情况供处理的方法:(1)当缺陷点相对密集和缺陷大小差异不大时,在灰度直方图直观上呈现的结果是:灰度值频率高的区域连续出现,甚至灰度的最大值差异并不是很大,此时可选取最后一个连续高频率的灰度值下降最低处的第一点为分割阈值。其原因是:小于阈值的像素点灰度值置0为黑色,可得到黑色标记的缺陷特征,选择最后一个连续高频率的灰度值下降最低处作为阈值点可以涵盖铸件图像里的大多数缺陷特征,目的是可以形成强烈的对比度,缺陷区域能够得到有效的分割。(2)当缺陷点分布比较分散时,在灰度直方图中呈现的结果是:多个高频率灰度值区域,分布不连续,相对分散。此时采取的方法是:选择灰度值最大的频率区域最低处,设定为所需分割阈值。
分割阈值后,计算机处理铸件缺陷图像成铸件缺陷二值图像,图像中清晰划分缺陷区域与背景区域,铸件缺陷特征可被识别出来,方可进入下一个步骤。
下一步对标记的缺陷特征区域进行像素的统计,主要统计缺陷区域像素周长与面积。此时需要获取图像像素与实际尺寸的比例尺,设定为N,计算方法是:工业CCD相机水平方向拍摄一把50cm的尺子,后台计算机对尺子图像长度像素测量假设尺子长度为M,则所需比例尺是:N=M/50。因此缺陷区域的周长与面积的实际尺寸也可以计算得出。
接下来需要制定缺陷等级划分标准,对铸件缺陷类型分类。分为打磨及格与打磨不及格两个分类标准,如下表所示:
注:周长与面积满足其一即可
根据划分标准分类提供了三个处理标准参考,分别是打磨允许误差范围,通俗理解可以忽略损伤区域误差允许范围内的打磨缺陷,否则都认定为打磨不及格的缺陷,其中设定了两个处理方式分别是:仅需重新打磨轻打磨可满足打磨要求,另外是打磨缺陷区域过大,需人工检查具体问题。最后根据分类结果报告生成检测结果标签,将会贴该检测铸件体,这样处理具体问题得到具体分析,满足生产要求。
缺陷分类机构,主要包括:待测打磨铸件体、传送带、轨道和产品标签仪。工作原理:铸件在检测完成后会送到一个分类传送带,打磨及格会传送到一个打磨合格的传送带通道,打磨不及格会传送到另外一个打磨不合格的传送带通道。在分类传送带进口处有一个产品标签仪,其结构是一个伸缩棒在分类传送带的一侧,计算机在图像处理完成后由产品标签仪逐一向对应铸件贴上标签检测结果,根据该结果标签若铸件及格直接进入下一个生产环节,若不及格产品标签仪可伸缩将铸件推到不及格轨道,要求重新打磨。
上面对本专利的最佳实施方式作了详细的说明,但是本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下做出各种变化。
Claims (9)
1.一种铸件打磨质量检测方法,其特征在于,包括如下步骤:
第一步、对铸件拍照得到铸件图像,然后对铸件图像进行预处理,去除采集图像中不可逆的干扰;
去除采集图像中不可逆的干扰的方法如下:
步骤一:对铸件图像的每一个像素点当前灰度值Zxy,奇数模板中的最小灰度级Zmin,最大灰度级Zmax;计算B1=Zxy-Zmin,B2=Zxy-Zmax,目的是与最小、最大灰度级比较,看其灰度值是否满足在在最小最大灰度级之间,即是否满足条件B1>0且B2<0,若满足则保留其原有的灰度值,则Zxy值保持不变;否则,进行步骤二;其中Zxy表示图像中第y行第x列个像素点的灰度值,B1表示Zxy与Zmin的差值;B2表示Zxy与Zmax的差值;
[0019]步骤二:计算对奇数模板内的灰度级中值Zmed与最小灰度级Zmin和最大灰度级Zmax之间比较,即A1=Zmed-Zmin,A2=Zmed-Zmax;当A1>0且A2<0且窗口尺寸允许在的最佳范围内即≤Smax,则Zxy=Zmed;如果A1<0或A2>0,且窗口尺寸=Smax,则Zxy灰度级会等于奇数模板采集像素点的灰度级计算出的灰度均值Zmea,即Zxy=Zmea;如果A1≤0或A2≥0,且窗口尺寸<Smax,则增大窗口模板,然后再重复进行步骤一;Smax表示最大窗口尺寸;
步骤三、然后通过改进的局部均值滤波算法处理铸件图像:
建立过滤器模板,过滤器模板大小是铸件图像尺寸的二十分之一,过滤器模板执行的计算是:将过滤器模板里选中的灰度值必须为相差30个灰度值之内的像素,要求所选中的灰度值之间计算平均灰度值,并替换所对应计算的灰度值位置;即假设铸件图像的尺寸大小为a×a,选取的过滤器模板大小为1/20的a×a的尺寸,在模板中得到了c1,c2,c3,c4,c5,c6的6个灰度值,其中c2,c5,c6的3个灰度值差异在30个灰度值之间;因此,需要计算c2,c5,c6的3个灰度值的平均值ǔ=(c2,c5,c6)/3,并将ǔ替换到c2,c5,c6所在的灰度值位置,其余c1,c3,c4灰度值不作处理,模板不重叠滑动,逐一将每一个可处理的像素进行上述的均值处理,最终将局部各个区域平滑;
第二步、执行铸件图像的锐化处理,增强铸件图像的轮廓信息,提高铸件缺陷表面轮廓的边缘特征,锐化处理步骤如下:
2.1对铸件图像进行灰度处理后使用滤波器模板[-1,-1,-1;-1,8,-1;-1,-1,-1],进行拉普拉斯操作,加强图像的边缘轮廓信息,设定为图A;
2.2对铸件图像的原图进行Sobel梯度操作,垂直梯度模板是[-1,-2,-1;0,0,0;1,2,1],水平梯度模板是[-1,0,1;-2,0,2;-1,0,1],得到Sobel梯度处理的梯度图像,设定为图B;
2.3对图B使用5×5的均值滤波平滑Sobel梯度图像;
2.4对图A、B两个图像进行点乘,并且将点乘的图像与铸件图像的原图像相结合,获取一副锐化处理的图像,设定为图C;
2.5将图C进行幂率变换,扩展图像的灰度范围,改善画质,使图像的显示效果更加清晰,最终可以得到铸件表面缺陷锐化处理的图像,表面缺陷特征得到增强;
第三步、缺陷区域进行识别:将第二步最终获取的铸件图像进行灰度化处理,而此时选择一个合适的灰度值作为阈值,合适的灰度值的基准是可以把缺陷区域和背景区域划分开来的一个灰度值作为阈值,图像中大于阈值的灰度值都赋予255的灰度值即为白色部分,小于该阈值的灰度值都赋予0的灰度值即为黑色部分,把图像划分成只有黑白两色的二值图像,从而可以将背景和缺陷的两区域分割开来,实现缺陷区域定位,得到标记的缺陷特征区域。
2.如权利要求1所述的铸件打磨质量检测方法,其特征在于,还包括第四步:标记的缺陷特征区域进行像素的统计:获取图像像素与实际尺寸的比例尺,设定为N,计算方法是:工业CCD相机水平方向拍摄一把50cm的尺子,后台计算机对尺子图像长度像素测量假设尺子长度为M,则所需比例尺是:N=M/50,由此确定缺陷区域的周长与面积。
3.如权利要求2所述的铸件打磨质量检测方法,其特征在于,还包括第五步:按照制定缺陷等级划分标准,对铸件缺陷类型分类;分为打磨及格与打磨不及格两个分类标准,将打磨不及格的铸件选出。
4.如权利要求3所述的铸件打磨质量检测方法,其特征在于,所述打磨不及格的铸件分为,重新打磨轻打磨可满足打磨要求的铸件和打磨缺陷区域大于设定阈值,需人工检查具体问题的铸件;然后生成检测结果标签,贴到检测铸件体表面。
5.如权利要求1所述的铸件打磨质量检测方法,其特征在于,所述第三步中,合适的灰度值选取方法如下:
3.1对已经灰度化处理的铸件图像获取其灰度直方图,灰度直方图中横坐标是像素值,纵坐标是像素值点数目,这是一个统计图;
3.2是分析所述灰度直方图,采取的分析方法是基于灰度直方图的阈值分割方法;寻找灰度直方图中灰度阈值中出现频率最高的两阈值,然后选择出现频率最高的两阈值中出现频率较低阈值作为合适的灰度值,即分割阈值。
6.一种铸件打磨质量检测装置,其特征在于,包括铸件检测传送机构、铸件表面缺陷检测机构和缺陷分类机构;所述铸件检测传送机构包括传送机构,传送机构上安装有升降机构,升降机构上安装有铸件固定机构;沿传送机构传送方向安装有铸件表面缺陷检测机构,铸件表面缺陷检测机构包括运输结构,运输结构上安装有工业CCD相机(5)和光投影仪(6);所述缺陷分类机构包括产品标签仪(12);工业CCD相机(5)电连接有计算机(1)。
7.如权利要求6所述的铸件打磨质量检测装置,其特征在于,所述传送机构为传送带(9),所述升降机构为升降机(10),所述铸件固定机构为真空吸盘(8)。
8.如权利要求6所述的铸件打磨质量检测装置,其特征在于,所述缺陷分类机构包括还包括伸缩杆(13)和与传送机构平行的轨道(11)。
9.一种铸件打磨质量检测装置的使用方法,其特征在于,包括如下步骤:
一、打磨过的铸件(7)按照规定的方向和位置固定在真空吸盘(8),真空吸盘(8)连接在传送带(9)的上面;
二、在运行时,所述真空吸盘(8)将测铸件(7)移送到图像采集区域装置(3)下方,此时升降机(10)上升直至使真空吸盘(8)与图像采集区域装置(3)镶嵌;图像采集区域装置(3)对铸件(7)进行图像的采集;
三、计算机(1)处理工业CCD相机(5)获取铸件打磨图像,对打磨表面缺陷处进行缺陷类型分析,提取其缺陷特征生成一份缺陷分类报告,此时计算机(1)通过产品检测仪(12)对打磨不及格的铸件进行标记,并筛选出来,对打磨不符合要求,需继续重新打磨或人工重新检查,达到铸件质量检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810898924.6A CN109115785B (zh) | 2018-08-08 | 2018-08-08 | 一种铸件打磨质量检测方法、装置及其使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810898924.6A CN109115785B (zh) | 2018-08-08 | 2018-08-08 | 一种铸件打磨质量检测方法、装置及其使用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109115785A true CN109115785A (zh) | 2019-01-01 |
CN109115785B CN109115785B (zh) | 2020-09-29 |
Family
ID=64851669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810898924.6A Active CN109115785B (zh) | 2018-08-08 | 2018-08-08 | 一种铸件打磨质量检测方法、装置及其使用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109115785B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614765A (zh) * | 2019-02-13 | 2019-04-12 | 上汽大众汽车有限公司 | 汽车覆盖件表面质量评价方法 |
CN109978865A (zh) * | 2019-03-28 | 2019-07-05 | 中核建中核燃料元件有限公司 | 一种用于核燃料棒焊缝表面检测的方法、装置 |
CN110021011A (zh) * | 2019-03-15 | 2019-07-16 | 横店集团东磁有限公司 | 一种检测芯片画胶面积的方法 |
CN110514668A (zh) * | 2019-07-24 | 2019-11-29 | 江苏大学 | 一种小型锻件后处理生产线产品缺陷检测装置及检测方法 |
CN111545483A (zh) * | 2020-05-18 | 2020-08-18 | 江西农业大学 | 一种筷子分拣检测装置及其检测算法 |
CN113155865A (zh) * | 2021-01-06 | 2021-07-23 | 天津大学 | 基于多相机的铝压铸件孔洞内壁缺陷检测***及检测方法 |
CN113155839A (zh) * | 2021-01-06 | 2021-07-23 | 天津大学 | 一种基于机器视觉的钢板外表面缺陷在线检测方法 |
CN113211231A (zh) * | 2021-05-13 | 2021-08-06 | 苏州迪宏人工智能科技有限公司 | 一种自动识别铸铁毛坯件的打磨生产方法、***及其控制*** |
CN113390453A (zh) * | 2020-03-12 | 2021-09-14 | 昆山市世达精密机械有限公司 | 一种铝铸件加工方法 |
CN114638849A (zh) * | 2022-05-19 | 2022-06-17 | 山东亚历山大智能科技有限公司 | Dm二维码识别方法、agv定位方法、***及agv |
CN115239792A (zh) * | 2022-09-20 | 2022-10-25 | 成都唐源电气股份有限公司 | 一种用于轨道打磨的代表廓形生成方法 |
CN115456652A (zh) * | 2022-09-29 | 2022-12-09 | 广东格林精密部件股份有限公司 | 一种基于人工智能的精密注塑件不良品的溯源方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
CN116309578A (zh) * | 2023-05-19 | 2023-06-23 | 山东硅科新材料有限公司 | 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 |
CN116703906A (zh) * | 2023-08-04 | 2023-09-05 | 山东鑫科来信息技术有限公司 | 基于图像处理的金属件打磨质量检测方法 |
CN116779512A (zh) * | 2023-08-22 | 2023-09-19 | 南通罡丰科技有限公司 | 一种半导体碳化硅衬底中大尺寸微管检测吸附装置 |
CN117237350A (zh) * | 2023-11-14 | 2023-12-15 | 青岛三合山精密铸造有限公司 | 一种铸钢件质量实时检测方法 |
CN117340549A (zh) * | 2023-10-07 | 2024-01-05 | 朝阳希望铸业有限公司 | 高品质双金属双基体组织的壳体铸件的加工工艺 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006145484A (ja) * | 2004-11-24 | 2006-06-08 | Sharp Corp | 外観検査装置、外観検査方法およびコンピュータを外観検査装置として機能させるためのプログラム |
CN101153850A (zh) * | 2006-09-30 | 2008-04-02 | 长安大学 | 一种沥青混合料的检测方法及*** |
CN108038482A (zh) * | 2017-12-22 | 2018-05-15 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号视觉智能识别*** |
-
2018
- 2018-08-08 CN CN201810898924.6A patent/CN109115785B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006145484A (ja) * | 2004-11-24 | 2006-06-08 | Sharp Corp | 外観検査装置、外観検査方法およびコンピュータを外観検査装置として機能させるためのプログラム |
CN101153850A (zh) * | 2006-09-30 | 2008-04-02 | 长安大学 | 一种沥青混合料的检测方法及*** |
CN108038482A (zh) * | 2017-12-22 | 2018-05-15 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号视觉智能识别*** |
Non-Patent Citations (2)
Title |
---|
安顺林: "基于图像处理的铸件缺陷自动识别***研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
雷艇: "铸件表面缺陷自动化检测设备的***设计", 《传动技术》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614765A (zh) * | 2019-02-13 | 2019-04-12 | 上汽大众汽车有限公司 | 汽车覆盖件表面质量评价方法 |
CN109614765B (zh) * | 2019-02-13 | 2023-06-20 | 上汽大众汽车有限公司 | 汽车覆盖件表面质量评价方法 |
CN110021011A (zh) * | 2019-03-15 | 2019-07-16 | 横店集团东磁有限公司 | 一种检测芯片画胶面积的方法 |
CN109978865A (zh) * | 2019-03-28 | 2019-07-05 | 中核建中核燃料元件有限公司 | 一种用于核燃料棒焊缝表面检测的方法、装置 |
CN110514668A (zh) * | 2019-07-24 | 2019-11-29 | 江苏大学 | 一种小型锻件后处理生产线产品缺陷检测装置及检测方法 |
CN113390453A (zh) * | 2020-03-12 | 2021-09-14 | 昆山市世达精密机械有限公司 | 一种铝铸件加工方法 |
CN111545483A (zh) * | 2020-05-18 | 2020-08-18 | 江西农业大学 | 一种筷子分拣检测装置及其检测算法 |
CN113155839A (zh) * | 2021-01-06 | 2021-07-23 | 天津大学 | 一种基于机器视觉的钢板外表面缺陷在线检测方法 |
CN113155865A (zh) * | 2021-01-06 | 2021-07-23 | 天津大学 | 基于多相机的铝压铸件孔洞内壁缺陷检测***及检测方法 |
CN113211231A (zh) * | 2021-05-13 | 2021-08-06 | 苏州迪宏人工智能科技有限公司 | 一种自动识别铸铁毛坯件的打磨生产方法、***及其控制*** |
CN114638849A (zh) * | 2022-05-19 | 2022-06-17 | 山东亚历山大智能科技有限公司 | Dm二维码识别方法、agv定位方法、***及agv |
CN115239792A (zh) * | 2022-09-20 | 2022-10-25 | 成都唐源电气股份有限公司 | 一种用于轨道打磨的代表廓形生成方法 |
CN115239792B (zh) * | 2022-09-20 | 2022-12-30 | 成都唐源电气股份有限公司 | 一种用于轨道打磨的代表廓形生成方法 |
CN115456652A (zh) * | 2022-09-29 | 2022-12-09 | 广东格林精密部件股份有限公司 | 一种基于人工智能的精密注塑件不良品的溯源方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
CN115457041B (zh) * | 2022-11-14 | 2023-02-14 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
CN116309578A (zh) * | 2023-05-19 | 2023-06-23 | 山东硅科新材料有限公司 | 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 |
CN116309578B (zh) * | 2023-05-19 | 2023-08-04 | 山东硅科新材料有限公司 | 一种应用硅烷偶联剂的塑料耐磨性图像辅助检测方法 |
CN116703906A (zh) * | 2023-08-04 | 2023-09-05 | 山东鑫科来信息技术有限公司 | 基于图像处理的金属件打磨质量检测方法 |
CN116703906B (zh) * | 2023-08-04 | 2023-10-20 | 山东鑫科来信息技术有限公司 | 基于图像处理的金属件打磨质量检测方法 |
CN116779512A (zh) * | 2023-08-22 | 2023-09-19 | 南通罡丰科技有限公司 | 一种半导体碳化硅衬底中大尺寸微管检测吸附装置 |
CN116779512B (zh) * | 2023-08-22 | 2023-10-31 | 南通罡丰科技有限公司 | 一种半导体碳化硅衬底中大尺寸微管检测吸附装置 |
CN117340549A (zh) * | 2023-10-07 | 2024-01-05 | 朝阳希望铸业有限公司 | 高品质双金属双基体组织的壳体铸件的加工工艺 |
CN117340549B (zh) * | 2023-10-07 | 2024-07-16 | 朝阳希望铸业有限公司 | 高品质双金属双基体组织的壳体铸件的加工工艺 |
CN117237350A (zh) * | 2023-11-14 | 2023-12-15 | 青岛三合山精密铸造有限公司 | 一种铸钢件质量实时检测方法 |
CN117237350B (zh) * | 2023-11-14 | 2024-01-26 | 青岛三合山精密铸造有限公司 | 一种铸钢件质量实时检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109115785B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109115785A (zh) | 一种铸件打磨质量检测方法、装置及其使用方法 | |
CN109454006B (zh) | 基于化纤丝锭绊丝缺陷在线检测和分级的装置的检测分级方法 | |
CN104914111B (zh) | 一种带钢表面缺陷在线智能识别检测***及其检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN108230324B (zh) | 磁瓦表面微缺陷视觉检测方法 | |
CN107315012B (zh) | 聚晶金刚石复合片端面崩角的智能检测方法 | |
CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN107486415A (zh) | 基于机器视觉的篾片缺陷在线检测***及检测方法 | |
CN108760747A (zh) | 一种3d打印模型表面缺陷视觉检测方法 | |
CN112730460A (zh) | 一种通信ic芯片焊接缺陷与密集型虚焊检测技术 | |
CN110261391A (zh) | 一种led芯片外观检测***及方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN205538710U (zh) | 一种基于机器视觉的电感质量自动检测*** | |
CN109772733A (zh) | 一种基于视觉的缺陷竹块检测分拣装置及方法 | |
CN102253050A (zh) | 基于机器视觉的磁瓦表面缺陷自动检测方法与装置 | |
CN102495069A (zh) | 一种基于数字图像处理的拉链链带缺陷检测方法 | |
CN110403232A (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN102175692A (zh) | 织物坯布疵点快速检测***及方法 | |
CN103308525A (zh) | 一种用于金属线材生产的在线检测方法和装置 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN207238542U (zh) | 一种基于机器视觉的篾片缺陷在线检测*** | |
CN115690387A (zh) | 一种基于图像识别的合金表面检测*** | |
CN107220946B (zh) | 一种岩石运输带上不良块度图像的实时剔除方法 | |
CN115731228A (zh) | 一种镀金芯片缺陷检测***和方法 | |
CN116539620A (zh) | 一种刀具表面缺陷在机检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |